Целью данной работы является создание универсального модема для приёма сигналов цифровых радиорелейных линий связи с квадратурной амплитудно-фазовой манипуляцией. Такой модем подразумевает разработку алгоритма, способного классифицировать виды манипуляции с высокой вероятностью правильной классификации без априорной информации об отношении сигнал-шум. В данной работе были проанализированы как когнитивные, так и некогнитивные алгоритмы для распознавания видов манипуляции. Среди некогнитивных алгоритмов были исследованы свойства оптимального алгоритма и его MAX-LOG-MAP аппроксимации, а также получены аналитические выкладки, позволяющие получить вероятностную характеристику, являющуюся наилучшей в условиях АБГШ. По результатам исследования этих алгоритмов был выявлен ключевой недостаток: невозможность точной оценки отношения сигнал-шум в реальных условиях. По тематике когнитивных алгоритмов был проведён литературный обзор и на его основе выбрана модель машинного обучения. Была разработана и реализована имитационная модель для получения вероятностных характеристик алгоритмов. По результатам исследования свойств архитектуры свёрточных нейронных сетей была разработана, реализована и обучена на собранной выборке модель машинного обучения, независящая от оценки отношения сигнал-шум.

The aim of this work is to create a universal modem for receiving signals from digital radio relay communication lines with quadrature amplitude-phase manipulation. Such a modem implies the development of an algorithm capable of classifying types of manipulations with a high probability of correct classification without a priori information about the signal-to-noise ratio. In this paper, we analyzed both cognitive and non-cognitive algorithms for recognizing types of manipulation. Among non-cognitive algorithms, the properties of the optimal algorithm and its MAX-LOG-MAP approximations were studied, and analytical calculations were obtained that made it possible to obtain a probabilistic characteristic that is the best in the case of ABGS. Based on the results of a study of these algorithms, a key shortcoming was identified: the impossibility of an accurate estimate of the signal-to-noise ratio in real conditions. A literature review was conducted on the subject of cognitive algorithms, and a machine learning model was selected on its basis. A simulation model was developed and implemented to obtain the probabilistic characteristics of the algorithms. Based on the results of studying the properties of the architecture of convolutional neural networks, a machine learning model was developed, implemented and trained on the assembled sample, independent of the evaluation of the signal-to-noise ratio.